Actualment, la intel·ligència artificial (IA) ja escriu una part important del codi a grans empreses tecnològiques com Microsoft i Google, superant en alguns casos el 25-30%. La recerca en IA persegueix des de fa temps l’objectiu que els sistemes siguin capaços de millorar-se a si mateixos de manera automàtica, i els darrers avenços amb models de llenguatge massius (LLM) han fet possible nous experiments en aquesta línia.

Un dels desenvolupaments més destacats són les anomenades **Darwin Gödel Machines (DGM)**. Aquestes màquines parteixen d’un agent programador assistit per un model de llenguatge i utilitzen algoritmes evolutius per generar noves versions d’ell mateix. En cada iteració, el sistema proposa un canvi —basat en la “intuïció” adquirida pels LLM a partir de grans quantitats de codi humà— i avalua si millora la capacitat de programar de l’agent. A diferència d’altres mètodes, les DGM mantenen totes les versions generades, no només les millors, per no descartar camins d’evolució que inicialment semblin poc prometedors però que puguin aportar innovacions més endavant.

En proves realitzades amb benchmarks com SWE-bench i Polyglot, els agents DGMs van millorar notablement el seu rendiment, arribant a escriure codi molt complex sense intervenció humana directa. Encara no superen els millors resultats humans, però la millora és automàtica i potencialment il·limitada amb més temps i computació.

Aquest enfocament, però, genera preocupacions de seguretat: els sistemes que s’auto-milloren podrien escapar-se del control humà o actuar de manera poc transparent. Per això, els investigadors implementen mesures de protecció, com fer servir entorns controlats i recompensar els agents per ser més interpretables i honestos.

Tot plegat evidencia que l’evolució digital—guiada per IA—és un camp ple de possibilitats i riscos, amb la capacitat de sorprendre, igual que l’evolució biològica.